4日DAAAM智能制造与自动化国际研讨会,2013 选择启发式方法在工业工程的应用
摘要
这篇主要是研究启发式方法在材料装配线中的应用（例如，自动化企业）和应用于生 产线或者仓库的堆垛机的优化。有一种称为为装配线供应材料循环取货的方法--货车供应，其所使用的是图模型，并且不仅仅是针对装配线上的一个点，而是几个点，。创建货车的分析性的解决方案的可行性是未知的，因为他们大多数可能并不存在。一些用蛮力解决的方法可能非常的缓慢。一旦超过12个需求，它们就不能满足。
创建一个重复的运输需求用的n重元组的随机选择和从该选择中衍生出来的货车是解决该任务的一个非常好的途径。
装配生产线的模型已经在开发并且对于次优解决方案的随机选择的收敛速度是可以计算和测试的。正是数千种的挑选吧，才会得到一个好的结果。这些启发式的结果已经能与一些确定的策略相提并论（包括最近的需求以及n重元组） 一种类似的方案已经被用于车间和仓库的堆垛机的优化。 1.介绍
现如今，任何的生产企业都面对着比以往更加巨大的优化产品消耗。这意味着不仅仅是对资源消耗的节约，更是降低命令延期搁置的风险和在规定的时间内完成任务的保证。由于计算机的使用的日益增加，由具有长期经验的生产管理层所制订的决定和由计算机所提供支持的直觉而做出的决定正在面临一个转变。相应的，研究和开发，并提高算法的领先地位，减少消耗量和降低潜在的风险是很有必要的。
在工业工程的部门和管理层之中，优化的方法和算法已经长期处于研究和开发之中了,优化方法已经在随后的下个领域开始探索和研究。 x一个或两个堆垛机在一个轨道上的移动 x产品的操作计划 x产品的日常计划 x选择适当的挑选方法
当我们通过研究由过于复杂精密的方法所得出结论的任务时，几乎都是由于不合适的数据输人导致的失败。这种不合适更多的是由于在过程中的动态改变,以及在一段时间内的发展超出了不足的质量在生产的技术准备工作以及在产品生产过程中，不合理的观察和测试导致的，由于这个原因，研究和开发的活动已经面临的更多是通过简单和迅速的方法实现和维持优化系统的参数的改变。
另一些作者（4,5,6,7,8,9,10,11）用数学模型和详尽阐述启发式优化技术的方法解决工业工程的优化问题。 2.装配线供应系统
自动化企业中的模拟和优化供应的路线的实验已经通过大学和企业之间的合作得以实现。从式叉车到指南再到自动化列车的改变正在呈一种增长的趋势发展。这些列车由拖拉机和车厢构成。存在以下两种方式：
x在装配线上的供应点伤分离车厢：最后的车厢在供应点上分离，它依靠的是车厢的序列、这个序列应用于中心的仓库，空车厢在最后的车厢通过材料而分离时被控制。
x在工作场所从车厢卸下材料：在这种情况下，列车的高度应该保持在一个常量，并且
没有空车厢需要控制，在工作场所处理材料比分离车厢需要更长的时间。 如果车厢没有被分离，他也是可能被区分的。 x一节车厢只能运输给一个供应点。
x一节车厢运输给多个供应点:在这种情况下，新的任务是从在工作场所的车厢的容量和操作性两个方面寻找合适的车厢的填充物。 3.生产线供应系统的测试模型
在自动化企业，生产线的测试模型已经开始开发，它动过对生产线的分析获得经验，并在此之上，对模型提供一定的经验（Fig.1） 修复常规的供应已经不能加以考虑，因为这不具备优化的可能。根据短暂的运输需求的情况，可以动态的指定路线。列车的长度可以在一节车厢到四节车厢之间进行改变，这意味着在装配线上可以运输的最大量是四个点。车厢在供应点上被分离。在原则上，由于他们比携带材料的车厢运输要更为简单，所以空车厢的的排序并没有被解决。
这个模型被转换成带有21个顶点的定位数学图表。这些图表代表着处于中心的仓库（U00)和每四节车厢最大运输值的起点。 n（1 4.确定的解决方案 在对一个产品规划的分析的基础上，认为一些特定算法是有可行性的。 x最近需求的挑取，然后将对于与目标最相近的最后的挑选的需求进行挑取，并将最大值上升到列车长度的最大值。下一辆列车也用同样的方法挑选。 x最远需求的挑选，然后将对于与目标最相近的最后的挑选的需求进行挑取，并将最大值上升到列车长度的最大值。下一辆列车也用同样的方法挑选。 5.启发式的解决方案 5.1蛮力的解决方案 用蛮力的解决方案意味着要找到所有可能的n种排列，而众所周知的是，这个解决方案仅对非常小的n才是可能的。因此一个测试程序已经被开发出来，为了测量n种需求的所有排序的评估所需要的时间。这一成果是十分惊艳的。 5.2随机的解决方案 建立在架堆垛机和生产规划的启发式解决方案的经验上，一个解决运输的子图表的覆盖的挑取的方法，需要通过已经在材料仓库创造和实现的共同的一点来进行循环。这个次优选择室友一个重复随机的挑取中得出的。在随机挑取中，挑取最大的n重元组的需求（0 这些被考察的平均改进也是与运输需求的数量有关的。在同一时间，通过选取最近的需 求而制定的最糟糕的选择和覆盖决定性的选择同样也是被考察的。如图4所示。 同时决定性的最接近要求的选择的算法，只是为了满足一小部分的展示出更糟的结果的要求而不是优化的随机选择，对于大部分的要求，他的效率可以改且具有比较性，并且在流水线上凭借直觉，在服务点一旦要求服务，这将是最好的选择。 凭借对精密算法的模拟优化，它已经完成了两者之间的比较。这些算法意味着，对于输入数据的质量和类似的其他影响因素，具有更加重要的有意义的敏感度。 x列车的加快和减慢 x交叉并经过所需要的等待 x多种接触和非接触的时间 6.比较优化产品生产线的供应的方法 思考在一条装配线上可能需求的服务。